論文の概要: ShlokaDhara: A Multi-Speaker Sanskrit Speech Corpus for Learning Meter-Aware Prosody in Text-to-Recitation
- arxiv url: http://arxiv.org/abs/2610.26929v2
- Date: Thu, 22 Oct 2026 07:00:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.046225
- Title: ShlokaDhara: A Multi-Speaker Sanskrit Speech Corpus for Learning Meter-Aware Prosody in Text-to-Recitation
- Title（参考訳）: ShlokaDhara: テキスト・ツー・リサイクリングにおけるメータ・アウェア・プロソディを学習するためのマルチ話者サンスクリット音声コーパス
- Abstract要約: Sanskritの詩の引用は、リズム的な$textitLaghu$ (light)と$textitGuru$ (heavy)の音節で定義される厳格な韻律フレームワークである$textitChandas$によって管理されている。
既存のサンスクリット音声データセットは、ASRや会話型TSを優先しているため、真正の韻律合成に必要なメートル法的忠実度は欠如している。
43時間のマルチ話者サンスクリット音声コーパスである$textbf$textitShlokaDhara$を紹介した。
- 参考スコア（独自算出の注目度）: 7.232501573764588
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Sanskrit verse recitation is governed by $\textit{Chandas}$, a strict prosodic framework defined by rhythmic $\textit{Laghu}$ (light) and $\textit{Guru}$ (heavy) syllables. Because existing Sanskrit speech datasets prioritize ASR or conversational TTS, they lack the metrical fidelity required for authentic verse synthesis. We introduce $\textbf{$\textit{ShlokaDhara}$}$, a 43-hour, multi-speaker Sanskrit speech corpus capturing diverse meters, recitation styles, and melodic variations. We specifically focus on $\textit{Text-to-Recite}$, a synthesis task explicitly requiring both prosodic accuracy and metrical correctness. Benchmarking state-of-the-art TTS architectures via an automated UTMOS (neural MOS) predictor demonstrates that XTTS-v2 achieves the highest perceptual quality. We further validate the XTTS-v2 generated samples using two paradigms: subjective assessments by 16 Sanskrit experts and novel empirical metrics, specifically, syllable-level $\textit{Laghu-Guru}$ duration analysis to objectively quantify structural metrical awareness. Ultimately, this work establishes a robust dataset and evaluation benchmark for prosody-aware computational Sanskrit recitation. Generated Samples: https://shlokadhara.vercel.app/
- Abstract（参考訳）: Sanskrit の詩の朗読は $\textit{Chandas}$ というリズムの $\textit{Laghu}$ (light) と $\textit{Guru}$ (heavy) 音節で定義される厳密な韻律のフレームワークによって管理される。
既存のサンスクリット音声データセットは、ASRや会話型TSを優先しているため、真正の韻律合成に必要なメートル法的忠実度は欠如している。
43時間のマルチ話者サンスクリット音声コーパスである$\textbf{$\textit{ShlokaDhara}$} を導入し,多様なパラメータ,リサイクリングスタイル,メロディック変動を抽出した。
具体的には、韻律的精度と計量的正確性の両方を明示的に要求する合成タスクである$\textit{Text-to-Recite}$に焦点を当てる。
自動UTMOS(Neural MOS)予測器による最先端のTSアーキテクチャのベンチマークでは、XTTS-v2が知覚品質が最も高いことを実証している。
我々は、サンスクリットの専門家16名による主観評価と、新しい経験的指標、具体的には音節レベルの$\textit{Laghu-Guru}$持続時間分析の2つのパラダイムを用いて、XTTS-v2の生成サンプルを検証した。
最終的に、この研究は、韻律を意識したサンスクリットのリサイクリングのための頑健なデータセットと評価ベンチマークを確立する。
生成サンプル:https://shlokadhara.vercel.app/
関連論文リスト
- Vagdhenu: A Vrutta (Meter) Aware Shloka-to-Chant (TTS) System for Sanskrit [9.699102957561587]
ヴァグデヌ (Vagdhenu) は、韻律的な朗読を高い忠実度で唱えられたパラヤナにマッピングする音声合成システムである。
既製のフローマッチングTTSバックボーンと大規模ニューラルボコーダを併用する。
推論、推論、トレーニングコード、ウェイト、シングルスピーカーの合唱データセット、インタラクティブなデモをリリースします。
論文 参考訳（メタデータ） (2026-06-28T20:29:16Z) - Benchmarking Speech-to-Speech Translation Models [55.00303727199927]
音声音声翻訳(S2ST)は急速に進歩しているが、オフライン評価には統一されたプロトコルが欠けている。
8次元にわたる46のメトリクスを統合するベンチマークフレームワークを導入する。
FLEURSとCVSSから1,248のモデル言語構成でデプロイする。
論文 参考訳（メタデータ） (2026-06-02T07:01:33Z) - LibriQuote: A Speech Dataset of Fictional Character Utterances for Expressive Zero-Shot Speech Synthesis [9.933931058173014]
本稿では,リードオーディオブックから派生した英文コーパスであるLibriQuoteデータセットを紹介する。
トレーニングデータセットは、読み上げ、非表現音声の12.7K時間と、主に文字引用から引き出された表現音声の5.3K時間を含む。
また、TSシステムのベンチマークを目的とした、7.5時間の挑戦的なテストセットも提供します。
論文 参考訳（メタデータ） (2025-09-04T10:05:06Z) - EmergentTTS-Eval: Evaluating TTS Models on Complex Prosodic, Expressiveness, and Linguistic Challenges Using Model-as-a-Judge [25.51206687438354]
我々は6つのTSシナリオをカバーする包括的なベンチマークである$textitEmergentTTS-Evalを紹介した。
我々のフレームワークはテストケースの生成と評価の両方を自動化するので、ベンチマークが容易にアクセスできます。
我々は、EmergentTTS-Eval上で、11Labs、Deepgram、OpenAIの4o-mini-TTSといった最先端のオープンソースおよびプロプライエタリなTSシステムを評価した。
論文 参考訳（メタデータ） (2025-05-29T02:36:24Z) - QUDsim: Quantifying Discourse Similarities in LLM-Generated Text [70.22275200293964]
本稿では,会話の進行過程の違いの定量化を支援するために,言語理論に基づくQUDと質問意味論を紹介する。
このフレームワークを使って$textbfQUDsim$を作ります。
QUDsimを用いて、コンテンツが異なる場合であっても、LLMはサンプル間で(人間よりも)談話構造を再利用することが多い。
論文 参考訳（メタデータ） (2025-04-12T23:46:09Z) - Towards Zero-Shot Text-To-Speech for Arabic Dialects [16.10882912169842]
ZS-TTS (Zero-shot Multi-Speaker text-to-speech) システムは英語に進歩しているが、リソース不足のためまだ遅れている。
まず、既存のデータセットを音声合成のニーズに合わせて適応させることにより、アラビア語のこのギャップに対処する。
アラビア語の方言識別モデルを用いて、予め定義された方言ラベルが多言語環境でのZS-TTSモデルの改善に与える影響を探索する。
論文 参考訳（メタデータ） (2024-06-24T15:58:15Z) - Introducing Rhetorical Parallelism Detection: A New Task with Datasets,
Metrics, and Baselines [8.405938712823565]
parallelism$は、同じ言語的特徴を持つ句の並置である。
並列性の多様さにもかかわらず、自然言語処理の分野は滅多に研究されていない。
我々は、その公式な定義を構築し、新しいラテンデータセットと適応した中国語データセットを1つ提供し、その上でのパフォーマンスを評価するためのメトリクスのファミリーを確立します。
論文 参考訳（メタデータ） (2023-11-30T15:24:57Z) - TextrolSpeech: A Text Style Control Speech Corpus With Codec Language
Text-to-Speech Models [51.529485094900934]
リッチテキスト属性を付加した最初の大規模音声感情データセットであるTextrolSpeechを提案する。
本稿では,GPTモデルを利用した多段階プロンプトプログラミング手法を提案する。
そこで我々は,より多様なスタイルで音声を生成する必要性に対処するため,Salleと呼ばれる効率的なアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-08-28T09:06:32Z) - SESCORE2: Learning Text Generation Evaluation via Synthesizing Realistic
Mistakes [93.19166902594168]
テキスト生成評価のためのモデルベースメトリックを学習するための自己教師型アプローチSESCORE2を提案する。
鍵となる概念は、コーパスから取得した文を摂動することで、現実的なモデルミスを合成することである。
3言語にわたる4つのテキスト生成タスクにおいて,SESCORE2とそれ以前の手法を評価する。
論文 参考訳（メタデータ） (2022-12-19T09:02:16Z) - Dict-TTS: Learning to Pronounce with Prior Dictionary Knowledge for
Text-to-Speech [88.22544315633687]
ポリホンの曖昧さは, 音声合成システムにおいて, 自然なテキストシーケンスから正確な発音知識を抽出することを目的としている。
オンラインウェブサイト辞書を用いた意味認識型テキスト音声合成モデルであるDict-TTSを提案する。
3つの言語による実験結果から,我々のモデルは発音精度においていくつかの強いベースラインモデルより優れていることが示された。
論文 参考訳（メタデータ） (2022-06-05T10:50:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。